共计 1514 个字符，预计需要花费 4 分钟才能阅读完成。
一项发表在《自然》杂志上的最新研究显示，人工智能技术可将识别材料中复杂量子相的时间从数月大幅缩短至几分钟。这一突破性进展有望显著加速量子材料研究，特别是在低维超导体领域。
该研究由埃默里大学理论团队与耶鲁大学实验物理学家共同主导。研究团队包括埃默里大学化学系助理教授刘芳、王瑶，以及耶鲁大学应用物理系助理教授何宇等资深学者。
研究团队采用机器学习技术来检测量子材料中的相变特征光谱信号。这些系统中的电子呈现高度纠缠态，而材料的不可预测波动性使传统物理方法难以建模。
“ 我们的方法能够快速、准确地捕捉复杂相变，且成本极低，” 研究第一作者、埃默里大学化学系博士研究生陈旭表示，” 这将显著加速超导领域的发现进程。”
研究面临的主要挑战是缺乏足够的高质量实验数据来训练模型。为此，研究人员通过高通量模拟生成大量数据，并将其与少量实验数据相结合，构建了一个高效的机器学习框架。
“ 这类似于训练自动驾驶汽车，” 刘芳解释道，” 我们可能在亚特兰大进行广泛测试，但希望模型在新罕布什尔或其他任何地方都能可靠运行。关键在于如何使学习既具有可迁移性又能被理解。”
该框架使机器学习模型能够通过模拟获得的洞察识别实验数据中的相，即使仅从单一光谱快照中也能实现。这种方法有效解决了科学机器学习中实验数据有限的难题，为量子材料和分子系统的快速探索开辟了新途径。,
量子波动：天使与恶魔
量子材料中的电子和原子行为违背经典物理学。其最显著特征之一是量子纠缠现象，即粒子在远距离上相互影响。类比于薛定谔的猫思想实验，量子材料中的电子可以同时呈现多种状态。
这些不寻常的关联赋予了量子材料独特性质。最著名的例子是在铜氧化物（铜酸盐）中发现的高温超导性，其中电流在特定条件下无阻力流动。
然而，量子波动虽然带来强大特性，但也使许多物理性质难以理解、测量和设计。传统识别相变的方法依赖于能隙，但在强波动系统中，这种方法失效。
“ 实际上是无数超导电子之间的全局协调水平，即量子 ’ 相 ’，主导着相变，” 何宇解释道。
“ 这就像搬到一个每个人都讲不同语言的国家——不能仅依赖以前有效的方法，” 王瑶补充道。,
高温超导性
超导性——某些材料在零能量损失下导电的能力——是量子物理学中最引人入胜的现象之一。1911 年，科学家发现汞在 4 开尔文（-452°F）下完全失去电阻。
直到 1957 年，超导性的工作原理才被完全解释。在极低温度下，电子可以结合形成新的物质状态，使电流无阻力流动。
1986 年，铜酸盐超导体的发现带来重大突破。这些材料可在高达 130 开尔文（-211°F）的温度下实现超导，使实际应用变得更加现实。
然而，铜酸盐属于量子材料类别，其电子行为由纠缠和强量子波动支配，使其既令人兴奋又具有挑战性。
如今，全球科学家正竞相释放超导体的全部潜力，最终目标是实现室温超导。这一突破可能彻底改变从电网到计算的各个领域。,
新方法
研究人员采用机器学习模型来克服这一障碍。他们运用领域对抗神经网络（DANN）方法，通过模拟热力学相变的基本特征数据来训练模型。
“ 通过理解系统中的关键特征，我们可以快速生成数千张图像来训练机器学习模型识别这种模式，” 陈旭解释道。
这种方法将有限的相关材料实验光谱数据与大量模拟数据相结合，使人工智能决策过程透明且可解释。,
模型验证
耶鲁大学物理学家团队通过铜酸盐实验测试了机器学习模型。结果显示，该方法能以近 98% 的准确率区分超导和非超导相。
与传统方法不同，新方法基于能隙内的特征光谱特征精确定位相变，使其更稳健且适用于多种材料。这提高了模型在高通量分析中的潜力。
通过展示机器学习克服实验数据限制的能力，该研究解决了量子材料研究中的长期挑战，为从节能电子设备到下一代计算的更快发现铺平了道路。
